非構造環境向け能力認識型走行可能性ナビゲーション
研究者らは、ロボットの物理的制約を空間特徴空間に直接埋め込むCAT（Capability-Aware Traversability）フレームワークを提案した。インタラクティブなアノテーションパイプラインとSPADEブロックを用いることで、走行可能性推定の性能を大幅に向上させ、ベンチマークデータセットでAUROCを11.0%、AUPRCを15.8%改善。四足ロボットと車輪式スキッドステアで4.8Hzのリアルタイム障害物回避を実証した。
研究者らはこのほど、非構造環境におけるロボットナビゲーションの重要課題を解決する「能力認識型走行可能性」（Capability-Aware Traversability、CAT）という新しいフレームワークを提案した。本研究成果は2026年のIEEE/RSJ国際知能ロボットシステム会議（IROS 2026）に採択されている。
非構造地形では、同じ地形でもロボットの形態によって走行可能性が大きく異なる。例えば、低い壁は四足ロボットには容易に越えられても、車輪式ロボットには越えられない障害物となる。従来の走行可能性推定手法は、学習表現にプラットフォームの制約を組み込まず、後段の軌道フィルタリングで形態の違いを扱うことが多かった。CATは物理的限界を空間特徴空間に直接埋め込むことで、ロボットの能力を明示的に認識する。
CATの中核は、インタラクティブアノテーションパイプラインとSPADE（Spatially-Adaptive Denormalization）ブロックの2つである。インタラクティブアノテーションパイプラインは物理的軌跡に基づいて密な教師マスクを生成し、モデルが実際の物理的相互作用から学習できるようにする。SPADEブロックは、ロボット固有の走行可能性ベクトルを用いてセマンティック地形マップを変調し、ロボットの能力と地形特徴を深く融合させる。
実験では、CATは複数のベンチマークデータセットで最先端の性能を示した。最強のベースラインと比較して、物理実行軌跡上のAUROCが11.0%、人間軌跡上のAUPRCが15.8%向上した。アブレーション研究により、空間的条件付けとロボットごとのプロトタイプ設計が汎用的な経路予測を超える能力感度をもたらすことが確認された。
研究チームは四足ロボットと車輪式スキッドステアロボットでの実機検証も行った。その結果、CATは組込みハードウェア上で4.8Hzのリアルタイム動作を達成し、身体性を考慮した障害物回避が可能であることを実証した。
本研究は、ロボットの能力制約を知覚-行動ループに直接組み込むことで、複雑な非構造環境におけるロボットの自律性と安全性を大幅に向上させる可能性を示している。